論文の概要: Maternal and Fetal Health Status Assessment by Using Machine Learning on Optical 3D Body Scans

• arxiv url: http://arxiv.org/abs/2504.05627v1
• Date: Tue, 08 Apr 2025 03:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:12.268200
• Title: Maternal and Fetal Health Status Assessment by Using Machine Learning on Optical 3D Body Scans
• Title（参考訳）: 光学式3Dボディスコープを用いた機械学習による母子健康状態の評価
• Authors: Ruting Cheng, Yijiang Zheng, Boyuan Feng, Chuhui Qiu, Zhuoxin Long, Joaquin A. Calderon, Xiaoke Zhang, Jaclyn M. Phillips, James K. Hahn,
• Abstract要約: 本研究は,妊娠18～24週で得られた3Dボディスキャンデータの有用性について検討し,妊娠の悪影響を予測した。 物体形状の特徴を抽出する2つの並列ストリームを用いた新しいアルゴリズムを開発した。 以上の結果から,3次元体型は妊娠期糖尿病(GDM),妊娠期高血圧(GH),胎児体重の予測に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 3.153771294026575
• License:
• Abstract: Monitoring maternal and fetal health during pregnancy is crucial for preventing adverse outcomes. While tests such as ultrasound scans offer high accuracy, they can be costly and inconvenient. Telehealth and more accessible body shape information provide pregnant women with a convenient way to monitor their health. This study explores the potential of 3D body scan data, captured during the 18-24 gestational weeks, to predict adverse pregnancy outcomes and estimate clinical parameters. We developed a novel algorithm with two parallel streams which are used for extract body shape features: one for supervised learning to extract sequential abdominal circumference information, and another for unsupervised learning to extract global shape descriptors, alongside a branch for demographic data. Our results indicate that 3D body shape can assist in predicting preterm labor, gestational diabetes mellitus (GDM), gestational hypertension (GH), and in estimating fetal weight. Compared to other machine learning models, our algorithm achieved the best performance, with prediction accuracies exceeding 88% and fetal weight estimation accuracy of 76.74% within a 10% error margin, outperforming conventional anthropometric methods by 22.22%.
• Abstract（参考訳）: 妊娠中の母体および胎児の健康状態のモニタリングは、有害な結果を防ぐために不可欠である。 超音波スキャンのような検査は精度が高いが、高価で不便である。 遠隔医療とよりアクセスしやすい体型情報は、妊婦に健康をモニターする便利な手段を提供する。 本研究は, 妊娠18～24週に捉えた3Dボディスキャンデータの有用性について検討し, 妊娠の悪影響を予測し, 臨床パラメーターを推定した。 本研究では,2つの並列ストリームを用いて身体形状の特徴を抽出するアルゴリズムを開発した。1つは,逐次的腹部周囲情報抽出のための教師あり学習と,もう1つは,人口統計データの分岐と共にグローバルな形状記述子抽出のための教師なし学習である。 以上の結果より,3次元体型は妊娠期糖尿病(GDM),妊娠期高血圧(GH),胎児体重の予測に有効であることが示唆された。 他の機械学習モデルと比較して、我々のアルゴリズムは最高の性能を達成し、予測精度は88%を超え、胎児の体重推定精度は76.74%であり、従来の人類学的手法を22.22%上回った。

関連論文リスト

• Unveiling the Unborn: Advancing Fetal Health Classification through Machine Learning [0.0]
  本研究では,胎児の健康分類のための新しい機械学習手法を提案する。 提案したモデルでは、テストセットで98.31%の精度が得られる。 複数のデータポイントを組み込むことで、我々のモデルはより包括的で信頼性の高い評価を提供する。
  論文  参考訳（メタデータ） (2023-09-30T22:02:51Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning [51.487856868285995]
  われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。 特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
  論文  参考訳（メタデータ） (2023-03-28T00:44:06Z)
• FPUS23: An Ultrasound Fetus Phantom Dataset with Deep Neural Network Evaluations for Fetus Orientations, Fetal Planes, and Anatomical Features [10.404128105946583]
  胎児の生体計測値を推定するための適切な診断平面を同定するために,新しい胎児ファントム超音波データセットFPUS23を提案する。 データセット全体は15,728の画像で構成され、4つの異なるディープニューラルネットワークモデルをトレーニングするために使用される。 また、FPUS23データセットを用いてトレーニングしたモデルを評価し、これらのモデルによって得られた情報を実世界の超音波胎児データセットの精度を大幅に向上させることができることを示した。
  論文  参考訳（メタデータ） (2023-03-14T12:46:48Z)
• Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound Imaging [61.60067283680348]
  新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。 本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。 本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
  論文  参考訳（メタデータ） (2022-12-15T14:34:12Z)
• BabyNet: Residual Transformer Module for Birth Weight Prediction on Fetal Ultrasound Video [8.468600443532413]
  本稿では,Residual Transformer Moduleを提案する。Residual Transformer Moduleは2D+t時間超音波ビデオスキャンの解析のために3D ResNetベースのネットワークを拡張している。 BabyNetと呼ばれるエンドツーエンドの手法は、胎児の超音波ビデオスキャンに基づいて胎児の体重を自動的に予測する。
  論文  参考訳（メタデータ） (2022-05-19T08:27:23Z)
• AutoFB: Automating Fetal Biometry Estimation from Standard Ultrasound Planes [10.745788530692305]
  提案したフレームワークは、最先端のセグメンテーションモデルを用いて、重要な胎児解剖を意味的にセグメンテーションする。 その結果, セグメンテーション性能のよいネットワークは, バイオメトリ推定においてより正確であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-12T08:42:31Z)
• Cascaded deep monocular 3D human pose estimation with evolutionary training data [76.3478675752847]
  深層表現学習は単眼の3次元ポーズ推定において顕著な精度を達成した。 本稿では,大量のトレーニングデータに対してスケーラブルな新しいデータ拡張手法を提案する。 本手法は,先行知識に触発された階層的人体表現と合成に基づいて,未知の3次元人体骨格を合成する。
  論文  参考訳（メタデータ） (2020-06-14T03:09:52Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• FetusMap: Fetal Pose Estimation in 3D Ultrasound [42.59502360552173]
  そこで本研究では, 胎児の3次元姿勢を推定し, その定量的解析を容易にすることを提案する。 これは文学における胎児の3次元ポーズ推定に関する最初の研究である。 本稿では、深層ネットワークを微調整し、視覚的に妥当なポーズ予測を形成するための自己教師付き学習(SSL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2019-10-11T01:45:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。